---
title: "Perfil dos Participantes nas Expedições - PELD ILOC"
output: 
  flexdashboard::flex_dashboard:
    social: menu
    source_code: embed
    navbar:
      - { icon: "fa-home", href: "https://peld-iloc.github.io/dashboards_peld-iloc/", align: right }
    storyboard: true
    
    
---

```{r setup, include=FALSE}
library(tidyverse)
library(flexdashboard)
library(readr)
library(reshape2)
library(leaflet)
library(ggplot2)
library(vegan)
library(plotly)
library(lubridate)
library(dplyr)
library(RColorBrewer)
library(magrittr)
library(fontawesome)

#remotes::install_github("mitchelloharawild/icons")
library(icons)
#icons::download_octicons()
#icons::download_fontawesome()


icon_mail <- icons::fontawesome$solid$`envelope-square`
icon_git <- icons::fontawesome$brands$github 
icon_rg <- icons::fontawesome$brands$researchgate
icon_lattes <- icons::academicons$lattes

```

```{r dataread, include = FALSE}

Dt <- readxl::read_excel("~/Academico/POS-DOC_PELDILOC/dashboards_peld-iloc/data/Equipes_datas_geral_peld.xlsx")
Dt$Count <- 1
head(Dt)



```

### **Local de Origem** - Estado de origem dos participantes das expedições do PELD ILOC. 

```{r origem}
Dt$Estado2 <- Dt$Estado
Dt$Estado2[Dt$Estado2 %in% c("Alagoas", "Ceará", "Noronha",
                             "Paraíba", "Rio_Grande_do_Norte")] <- "Nordeste"

p1 = Dt %>%
  #Sum records within states
  dplyr::group_by(Local, Ano, Estado2) %>%
  dplyr::summarise(n = sum(Count)) %>%
  #Change labels
  plyr::mutate(Estado2 = plyr::revalue(
    Estado2, c('Espírito_Santo' = "Espírito Santo", 
              'Nordeste' = "Nordeste", 
              'Rio_de_Janeiro' = "Rio de Janeiro",
              'Santa_Catarina' = "Santa Catarina",
              "São_Paulo" = "São Paulo"))) %>%
  #Change order
  plyr::mutate(Estado2 = forcats::fct_relevel(
    Estado2, c("Nordeste","Espírito Santo", "Rio de Janeiro", 
               "Santa Catarina", "São Paulo"))) %>%
  #Call a new barplot
  ggplot(aes(x = Ano, y = n, fill = Estado2)) +
  geom_bar(stat = "identity", position = "fill") +
  #Change color palette
  scale_fill_viridis_d("Origem", direction = -1) +
  #Adit background and axes
  theme_bw() + theme(text = element_text(size = 10)) + labs(y = "Proporção do pessoal", x = 'Anos') +
  scale_x_continuous(n.breaks = 8) #+
  # #Split between Islands
  # facet_wrap(vars(Local), scales = 'free')
  

ggplotly(p1) %>% plotly::config(displayModeBar = F) 



```

***

A maior parte dos integrantes veio de Santa Catarina, seguida do Rio de Janeiro. Não é muita surpresa, já que representam os centros (e pesquisadores) que começaram com o PELD.  

### **Local de Origem** - Estado de origem dos participantes das expedições do PELD ILOC, **análise por Ilhas**

```{r origem island}
Dt$Estado2 <- Dt$Estado
Dt$Estado2[Dt$Estado2 %in% c("Alagoas", "Ceará", "Noronha",
                             "Paraíba", "Rio_Grande_do_Norte")] <- "Nordeste"

p2 = Dt %>%
  #Sum records within states
  dplyr::group_by(Local, Ano, Estado2) %>%
  dplyr::summarise(n = sum(Count)) %>%
  #Change labels
  plyr::mutate(Estado2 = plyr::revalue(
    Estado2, c('Espírito_Santo' = "Espírito Santo", 
              'Nordeste' = "Nordeste", 
              'Rio_de_Janeiro' = "Rio de Janeiro",
              'Santa_Catarina' = "Santa Catarina",
              "São_Paulo" = "São Paulo"))) %>%
  #Change order
  plyr::mutate(Estado2 = forcats::fct_relevel(
    Estado2, c("Nordeste","Espírito Santo", "Rio de Janeiro", 
               "Santa Catarina", "São Paulo"))) %>%
  #Call a new barplot
  ggplot(aes(x = Ano, y = n, fill = Estado2)) +
  geom_bar(stat = "identity", position = "fill") +
  #Change color palette
  scale_fill_viridis_d("Origem", direction = -1) +
  #Adit background and axes
  theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Proporção do pessoal", x = 'Anos') +
  scale_x_continuous(n.breaks = 8) +
  facet_wrap(vars(Local), scales = 'free')
  
ggplotly(p2) %>% plotly::config(displayModeBar = F) 

```

***

O estado de origem dos partipantes varia entre as ilhas, observa-se uma dominência dos estados de Santa Catarina e Rio de Janeiro.

### **Educação** - Nível de educação dos participantes nas expedições. 

```{r education }

p3 =Dt %>%
  #Sum records
  dplyr::group_by(Local, Ano, Formacao) %>%
  dplyr::summarise(n = sum(Count)) %>%
  #Change labels
  plyr::mutate(Formacao = plyr::revalue(
    Formacao, c("graduada" = "Graduação",
            "graduanda" = "Graduação",
            'mestre' = "Mestrado", 
            'mestrando' = "Mestrado",
            'Mestre' = "Mestrado",
            "doutorando" = "Doutorado",
            'Professor' = "Professor",
            "Pos-doc" = "Profissional",
            "Visitante" = "Profissional"))) %>%
  plyr::mutate(Formacao = forcats::fct_relevel(
    Formacao, c("Graduação","Mestrado", "Doutorado", 
               "Profissional", "Professor"))) %>%
  #Call a new barplot
  ggplot(aes(x = Ano, y = n, fill = Formacao)) +
  geom_bar(stat = "identity", position = "fill") +
  #Change color palette
  scale_fill_viridis_d("Formação") +
  #Adit background and axes
  theme_bw() +theme(text = element_text(size = 10)) + labs(y = "Proporção do pessoal", x = 'Anos') +
  scale_x_continuous(n.breaks = 8) #+
  # # Split between Islands
  # facet_wrap(vars(Local), scales = 'free')

ggplotly(p3) %>% plotly::config(displayModeBar = F) 

```

***

Cada ilha possui um perfil de visitantes com formação diferente quando analisadas seperadamente. Analisando-se todas as ilhas agrupadas, percebe-se uma maioria de estudantes de mestrado e doutorado. De 2017 a 2020 identifica-se um aumento na proporção de participantes classificados como profissionais, estes são compostos por pós-docs e visitantes.

### **Educação** -  Nível de educação dos participantes nas expedições, **analisados por Ilhas** 

```{r education island }

p4 = Dt %>%
  #Sum records
  dplyr::group_by(Local, Ano, Formacao) %>%
  dplyr::summarise(n = sum(Count)) %>%
  #Change labels
  plyr::mutate(Formacao = plyr::revalue(
    Formacao, c("graduada" = "Graduação",
            "graduanda" = "Graduação",
            'mestre' = "Mestrado", 
            'mestrando' = "Mestrado",
            'Mestre' = "Mestrado",
            "doutorando" = "Doutorado",
            'Professor' = "Professor",
            "Pos-doc" = "Profissional",
            "Visitante" = "Profissional"))) %>%
  plyr::mutate(Formacao = forcats::fct_relevel(
    Formacao, c("Graduação","Mestrado", "Doutorado", 
               "Profissional", "Professor"))) %>%
  #Call a new barplot
  ggplot(aes(x = Ano, y = n, fill = Formacao)) +
  geom_bar(stat = "identity", position = "fill") +
  #Change color palette
  scale_fill_viridis_d("Formação") +
  #Adit background and axes
  theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Proporção do pessoal", x = 'Anos') +
  scale_x_continuous(n.breaks = 8) + 
  facet_wrap(vars(Local), scales = 'free')

ggplotly(p4) %>% plotly::config(displayModeBar = F) 

```

### **Participação por Gênero**: Proporções de gênero dos participantes das expedições do PELD ILOC

```{r gender}

p5 = Dt %>%
  #Sum records within states
  dplyr::group_by(Local, Ano, Sexo) %>%
  dplyr::summarise(n = sum(Count)) %>%
  #Change labels
  plyr::mutate(Sexo = plyr::revalue(
    Sexo, c('F' = "Feminino", 
            'M' = "Masculino"))) %>%
  #Call a new barplot
  ggplot(aes(x = Ano, y = n, fill = Sexo)) +
  geom_bar(stat = "identity", position = "fill") +
  #Change color palette
  scale_fill_viridis_d("Sexo", direction = -1) +
  #Adit background and axes
  theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Proporção do pessoal", x = 'Anos') +
  scale_x_continuous(n.breaks = 8) #+
  # #Split between Islands
  # facet_wrap(vars(Local), scales = 'free')

ggplotly(p5) %>% plotly::config(displayModeBar = F) 


```

***

No geral, observa-se uma tendência de uma maioria de participantes masculinos nas primeiras expedições. Esta razão sexual apresenta um tendência de inversão com o passar dos anos.  

### **Participação por Gênero** - Proporções de gênero dos participantes das expedições do PELD ILOC **nas diferentes ilhas**

```{r gender island}

p6 = Dt %>%
  #Sum records within states
  dplyr::group_by(Local, Ano, Sexo) %>%
  dplyr::summarise(n = sum(Count)) %>%
  #Change labels
  plyr::mutate(Sexo = plyr::revalue(
    Sexo, c('F' = "Feminino", 
            'M' = "Masculino"))) %>%
  #Call a new barplot
  ggplot(aes(x = Ano, y = n, fill = Sexo)) +
  geom_bar(stat = "identity", position = "fill") +
  #Change color palette
  scale_fill_viridis_d("Sexo", direction = -1) +
  #Adit background and axes
  theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Proporção do pessoal", x = 'Anos') +
  scale_x_continuous(n.breaks = 8) +
  facet_wrap(vars(Local), scales = 'free')

ggplotly(p6) %>% plotly::config(displayModeBar = F) 

```

***

 Razão sexual está relativamente equilibrada em todas as ilhas, menos em Fernando de Noronha. Lá os enviados são predominantemente homens e essa diferença é significativa. 

### **Tendências de participação por Gênero** - Probabilidade de participações por gênero das expedições do PELD ILOC

```{r gender regression}

Dt %>%
  
  # #Change labels
  plyr::mutate(Sexo2 = as.numeric(plyr::revalue(
    Sexo, c('F' = 1,
            'M' = 0)))) %>%
  #Call a new barplot
  ggplot(aes(x = Ano, y = Sexo2)) +
  geom_point(aes(color = Local),
             position = position_jitter(width = .2, height = .03)) +
  #Change color palette
  scale_color_viridis_d("Ilha", direction = -1) +
  #Adit background and axes
  theme_bw() + theme(text = element_text(size = 10)) + labs(y = "Proporção de Mulheres", x = 'Anos') +
  scale_x_continuous(n.breaks = 8) +
  coord_cartesian(ylim = c(0,1)) +
  #Add trend
  geom_smooth(method = "glm", 
              method.args = list(family = "binomial"), 
              se = TRUE) +
  geom_smooth(formula = y ~ splines::ns(x, 6), se = FALSE, 
              method = "glm", method.args = list(family = "binomial"),
                  color = "darkgrey") +
  geom_hline(yintercept = .5) #+
  # by island
  #facet_wrap(vars(Local), scales = 'free')





```

***

Olhando para a probabilidade de mulheres (0) ou homens (1) serem enviados para as expedições, as expedições atingiram um certo equilíbrio recentemente. 

### **Tendências de participação por Gênero, análise por Ilhas** - Probabilidade de participações por gênero das expedições do PELD ILOC, **analisados por ilhas** 

```{r gender regression island}

  Dt %>%
  
  # #Change labels
  plyr::mutate(Sexo2 = as.numeric(plyr::revalue(
    Sexo, c('F' = 1,
            'M' = 0)))) %>%
  #Call a new barplot
  ggplot(aes(x = Ano, y = Sexo2)) +
  geom_point(aes(color = Local),
             position = position_jitter(width = .2, height = .03)) +
  #Change color palette
  scale_color_viridis_d("Ilha", direction = -1) +
  #Adit background and axes
  theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Proporção de Mulheres", x = 'Anos') +
  scale_x_continuous(n.breaks = 8) +
  coord_cartesian(ylim = c(0,1)) +
  #Add trend
  geom_smooth(method = "glm", 
              method.args = list(family = "binomial"), 
              se = TRUE) +
  geom_smooth(formula = y ~ splines::ns(x, 6), se = FALSE, 
              method = "glm", method.args = list(family = "binomial"),
                  color = "darkgrey") +
  geom_hline(yintercept = .5) +
  facet_wrap(vars(Local), scales = 'free')

```

### **Tom de Pele**: Análise da representatividade étnica dos participantes nas expedições do PELD ILOC 

```{r skin}

skin <- c("#3b2219ff", "#a16e4bff", "#d4aa78ff", "#e6bc98ff", "#ffe7d1ff")

#ceate a raster Grob
g <- grid::rasterGrob(scales::alpha(skin, .5), 
                      width=unit(1,"npc"), height = unit(1,"npc"), 
                interpolate = TRUE) 

Dt %>%
  #Sum records
  dplyr::group_by(Local, Ano, Skin_Tone) %>%
  dplyr::summarise(n = sum(Count))  %>%
 
   #Call a new plot
  ggplot(aes(x = Ano, y = Skin_Tone)) +
  # Add background
  annotation_custom(g, xmin=-Inf, xmax=Inf, ymin=-Inf, ymax=Inf) + 
  #Add points
  geom_point(position = position_jitter(width = .2, height = .03),
             color = "black") +
  # #Change points color
  # scale_color_gradientn("Cor-de-Pele", colors = skin, limits = c(6, 1)) +
  #Adit background and axes
  theme_bw() + theme(text = element_text(size = 10)) + labs(y = "Tom de pele", x = 'Anos') +
  scale_x_continuous(n.breaks = 8) + scale_y_continuous(n.breaks = 6) +
  geom_hline(yintercept = 3.5, linetype = 2) +
  coord_cartesian(ylim = c(1,6)) +
  #Add trend
  geom_smooth(method = "glm", 
              method.args = list(family = "poisson"), 
              se = FALSE, formula = y ~ splines::ns(x, 4)) #+
  # #Split between Islands
  # facet_wrap(vars(Local), scales = 'free')


```

***

Por fim, pra discutir representatividade étnica foi utilizada a [escala de FitzPatrick](https://en.wikipedia.org/wiki/Fitzpatrick_scale) para classificar as pessoas em 6 tons de pele, refletindo a probabilidade de adquirir queimaduras ou se bronzear quando exposto ao Sol. Essa classificação não inclui a autoidentificação das pessoas e ignora o histórico social, mas é fácil de entender e aplicar.

O tom de pele das pessoas nas expedições está estável e parece ser fortemente enviesado para o lado mais claro do espectro. Apenas duas pessoas possuem tons de pele mais escuros, mas ninguém perto do extremo de melanina.


### **Tom de pele por Ilhas** - Análise da representatividade étnica dos participantes nas expedições do PELD ILOC **analisados por ilhas**  

```{r skin island}

skin <- c("#3b2219ff", "#a16e4bff", "#d4aa78ff", "#e6bc98ff", "#ffe7d1ff")

#ceate a raster Grob
g <- grid::rasterGrob(scales::alpha(skin, .5), 
                      width=unit(1,"npc"), height = unit(1,"npc"), 
                interpolate = TRUE) 

Dt %>%
  #Sum records
  dplyr::group_by(Local, Ano, Skin_Tone) %>%
  dplyr::summarise(n = sum(Count))  %>%
 
   #Call a new plot
  ggplot(aes(x = Ano, y = Skin_Tone)) +
  # Add background
  annotation_custom(g, xmin=-Inf, xmax=Inf, ymin=-Inf, ymax=Inf) + 
  #Add points
  geom_point(position = position_jitter(width = .2, height = .03),
             color = "black") +
  # #Change points color
  # scale_color_gradientn("Cor-de-Pele", colors = skin, limits = c(6, 1)) +
  #Adit background and axes
  theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Tom de pele", x = 'Anos') +
  scale_x_continuous(n.breaks = 8) + scale_y_continuous(n.breaks = 6) +
  geom_hline(yintercept = 3.5, linetype = 2) +
  coord_cartesian(ylim = c(1,6)) +
  #Add trend
  geom_smooth(method = "glm", 
              method.args = list(family = "poisson"), 
              se = FALSE, formula = y ~ splines::ns(x, 4)) +
  facet_wrap(vars(Local), scales = 'free')


```

***

**Conclusões**
  


As pessoas que participam do Peld são majoritariamente alunos de pós-graduação dos laboratórios onde o programa começou. Esse viés é refletido nos objetos de estudo, que em sua maioria (~80%) abordam peixes recifais. O programa está próximo de atingir a igualdade de gênero nas expedições, mas atende principalmente pessoas de tons de pele mais claros. Acredito que aqui temos um viés geográfico (população negra em Santa Catarina é muito pequena) e social (desigualdade social do Rio dificulta que negros entrem no ensino superior), mas que podem ser trabalhados. Do ponto de vista social, o PELD ILOC está bom, mas pode ficar ainda melhor.



**Metodologia**

Informações retiradas dos dados disponíveis na plataforma Lattes de cada participante.



**Autores**

Grabriel Garcia [`r icon_mail`](mailto:gasagarcia@gmail.com) [`r icon_rg`]() [`r icon_lattes`]()
 

Aquisição e análise dos dados

Thiago Cesar Lima Silveira [`r icon_mail`](mailto:silveira.tcl@gamil.com) [`r icon_git`](https://github.com/silveiratcl) [`r icon_rg`](https://www.researchgate.net/profile/Thiago-Cesar-Silveira) [`r icon_lattes`](http://lattes.cnpq.br/5960267776845701)
 

Desenvolvimento do dashboard